看到这个标题的第一眼我其实挺有感触的。时频域信号处理这个东西这几年在工业界和学术界的出镜率越来越高语音、振动、雷达、生物电信号几乎每个和“波形”打交道的方向都绕不开它。但真要说把这套体系完整学下来很多人是被卡在“算法太多、不知道从哪里开始”这件事上。所以这个专栏不是零散地丢代码而是按照“背景原理 — 难点拆解 — 代码实现 — 工程踩坑”的完整链路把100多个算法逐个落成可以读、可以跑、可以改的实战内容。这篇文章先把整个专栏的框架和核心学习路径摊开帮你看清楚这100多个算法之间的关系也让你知道该按什么顺序去学、去用。1. 时频域分析到底在解决什么问题1.1 从一条波形开始时域能告诉我们什么我们平时最容易接触到的信号呈现方式就是时域波形图。横轴是时间纵轴是幅值一个传感器采集回来的振动、声音、电流、心电信号画出来基本就是这样的原始形态。时域信息其实很丰富。峰值告诉你信号的极限强度均值告诉你直流分量均方根值描述信号整体的有效能量峭度、波形因子这些则反映信号偏离正态分布的程度。尤其在旋转机械故障诊断里峭度对早期冲击类故障非常敏感这是我实测过很多次的结论。很多初学者拿到一段数据就急着上频谱反而忽略时域特征这是一件挺亏的事情。但时域的短板也很明显它没法直接告诉你信号里到底有哪几种频率成分、每种成分的能量有多大。你看到一段振动波形能看出幅值大小但看不出它的基频是50Hz还是120Hz看不出有没有一边转一边产生间歇性的冲击。这意味着时域是一个“原始视角”信息完整但结构隐藏必须通过变换去挖掘。1.2 频域的出现傅里叶变换改变了什么傅里叶变换的核心思想是把一段信号分解成无数个频率成分的正弦波叠加。一段复杂的波形经过傅里叶变换之后变成频谱图横轴是频率纵轴是该频率分量的强度。你可以直接看出哪个频率主导了信号哪些频段有异常的峰值。这套方法的强大之处在于它把一个看起来杂乱无章的时间序列投影到一组“正交的频率轴”上让原本隐藏的频率结构变得极其直观。语音的基频、电机转频、齿轮啮合频率、雷达回波的多普勒频移都是通过频域分析直接暴露出来的。但傅里叶变换有一个前提假设——信号是平稳的。也就是说信号的统计特性在时间上不随时间变化。现实世界中大量信号并不平稳语音瞬变、机械启动阶段的振动爬升、脑电的阵发性节律这些信号的频率成分是在不断变化的。如果你对这些信号直接做FFT得到的频谱只是整个时间段的平均无法知道某个频率什么时候出现、什么时候消失、什么时候变强变弱。1.3 时频联合分析同时看时间和频率时频分析要解决的正是“频率随时间变化”的问题。它把一维的时域信号映射到二维的时频平面横轴是时间纵轴是频率颜色或亮度代表能量密度。这是一张带时间轴的频谱地形图。我习惯用一个地图类比来解释这件事时域波形是一条路线频域图是一张活动在整段路程中的平均快照而时频图是一张动态地形图——你能看到某个山峰某个频率成分什么时候隆起、什么时候沉下去。语音里的共振峰转移、雷达回波的多普勒随时间变化、轴承故障特征频率随转速变化全都可以在这张图里看得很清楚。短时傅里叶变换、连续小波变换、Wigner-Ville分布、S变换、匹配追踪等算法都是在这个时频平面上从不同角度去“画地形图”的工具。它们各有侧重也各有代价这也是为什么专栏会拆出100多个算法。2. 专栏算法库的总体框架与分类2.1 算法库按功能维度如何划分很多人看到“100算法”第一反应是“这是一个铺量的大杂烩”。但实际上这100多个算法会被系统地归到五个模块里分别是时域特征算法均方根、峰值因子、峭度、波形因子、脉冲因子、裕度因子、自相关分析等服务于指标提取和大故障趋势判断。频域变换与分析算法FFT、功率谱密度、倒频谱、频谱细化、包络谱分析、阶比分析等解决频率成分定位和故障频率提取问题。时频联合分析算法短时傅里叶变换(STFT)、连续小波变换(CWT)、离散小波多分辨率分析、Wigner-Ville分布、伪Wigner-Ville、S变换、Hilbert-Huang变换、匹配追踪等处理非平稳信号的时变特征。现代谱估计与参数化模型算法AR模型(Burg算法、Yule-Walker方程)、最小方差谱估计、MUSIC算法、ESPRIT算法等适用于短数据、高分辨率频率估计场景。辅助处理与工程化算法抗混叠滤波、去趋势项、重采样、窗函数设计、包络检波、同步平均等。这些往往不直接产出特征但缺了它们整个算法链跑不通。每个模块下再根据具体信号类型和应用需求去选具体算法。这门课在结构上其实更像“算法目录 实战地图”的组合体而不是一个一个孤立的知识点。2.2 算法与经典应用场景的对应关系同样的算法在不同场景里用法差别不小。比如短时傅里叶变换在语音里用于观察共振峰随时间变化在机械故障诊断里用于定位启停机过程的特征频率爬升在雷达里则是分析回波的多普勒谱在时间上的演变。算法库的设计里每个算法都会标注它适合的典型场景。应用场景核心需求常用算法组合典型产出语音识别与人声分析提取共振峰、基频、音色特征STFT、MFCC、倒频谱、CWT语音特征向量、语谱图旋转机械故障诊断识别轴承/齿轮故障特征频率包络谱、谱峭度、Hilbert-Hilbert变换、阶比跟踪故障频率、包络谱、趋势曲线雷达/声呐信号处理目标检测与多普勒测速脉冲压缩、FFT、多普勒处理、WVD距离-多普勒图、时频图谱生物电信号(ECG/EEG)节律提取、异常事件定位小波变换、自适应滤波、Hilbert变换QRS波检测、节律时频图通用信号预处理降噪、分离、压缩小波去噪、维纳滤波、奇异值分解去噪后的时域波形、特征数据你会发现一个规律绝大多数实际项目都不会只用一个算法而是把时域、频域、时频域算法串成一条流水线。所以专栏里这部分内容的核心目标是把这些算法在实际项目里的“协作关系”讲透而不仅仅是某个算法的函数推导。3. 从原理到代码拆解一个算法库的落地过程3.1 一条从入门到实战的练习路径如果让我给零基础的读者推荐一条最不容易走弯路的学习顺序我建议是这样第一步把FFT的原理和代码吃透这是最基础也是最重要的一个起点。第二步做加窗FFT理解窗函数对频率泄漏的影响。第三步实现短时傅里叶变换理解时间分辨率与频率分辨率的取舍。第四步计算功率谱密度学会看信号的全局频率结构。第五步做包络谱分析结合具体故障或者具体声音场景从信号里提取有用的“事件特征”。第六步接触小波变换和Hilbert-Huang变换处理非平稳信号。第七步把所有特征接进分类模型里做自动化诊断或识别。这条路线的好处是每一步都建立在前面一步的实际代码输出上你不会觉得算法学完了代码还是写不出来。实际操作时我会建议在每一步配一个简单的数据集哪怕自己录一段声音或者采一段手持振动传感器数据用真实数据去喂给你的代码。这比任何例子都更能建立手感。3.2 核心代码骨架FFT与STFT实现要点下面这段是Python环境下最基础的FFT与STFT实现贴合大多数读者日常使用的语言习惯代码量不长但每一步都有明确含义import numpy as np from scipy import signal, fft def compute_fft_spectrum(data, fs): 计算单边幅值谱 n len(data) win np.hanning(n) data_win data * win spectrum np.fft.rfft(data_win, n) amplitude np.abs(spectrum) * 2 / n # 汉宁窗需要除以窗的归一化系数约等于0.5 amplitude[1:-1] / 0.5 freq np.fft.rfftfreq(n, 1/fs) return freq, amplitude def compute_stft(data, fs, nperseg256, noverlap128): 计算短时傅里叶变换 freqs, times, Zxx signal.stft(data, fs, windowhann, npersegnperseg, noverlapnoverlap) return freqs, times, np.abs(Zxx)我在这里头特别强调两个点。第一做完FFT之后一定要做“单边谱幅值校正”也就是把除直流以外的频率幅值乘以2再除以N这样得到的幅值才能对应信号真实幅值。第二汉宁窗的幅值补偿系数是0.5我见过太多分析结果整体偏小或者偏大一倍的代码多数就是漏掉这个系数。STFT实现里nperse和noverlap这两个参数直接决定时频图长什么样。nperseg越大频率分辨率越高noverlap越大时间分辨率越平滑。实际操作里我通常用 256~1024 的窗长和 50%~75% 的重叠率这个范围妥协性最好。代码跑完你会得到三个数组频率轴、时间轴、谱幅度矩阵它们组合起来就可以画成时频图了。3.3 时频图中的参数如何影响结果很多刚学STFT的人会困惑“为什么同样的信号别人画出来那么清晰我画出来就是一坨马赛克”。答案几乎都出在参数选择上。用一个具体例子说明。假设采样率1000Hz窗长256点那么频率分辨率大约为1000/256≈3.9Hz时间分辨率约为256/1000≈0.256秒。如果你想把频率分辨率提高到1Hz以内就需要把窗长加到1024点以上但随之而来的是时间分辨率下降到1秒以上。这就是时频分析里最核心的矛盾——时间分辨率和频率分辨率不能同时兼得这是测不准原理在信号处理里的具体表现。实际项目里我的选择逻辑是观测瞬态冲击比如轴承故障、敲击声时优先保证时间分辨率窗长取短比如128或者256。分离两个频率接近的成分时优先保证频率分辨率窗长拉长比如1024或2048。同时兼顾两者时考虑用重叠率来提高时间轴的平滑程度而不要一味调窗长。再展开一层窗函数的类型也很关键。矩形窗主瓣最窄频率分辨率高但旁瓣泄漏严重汉宁窗主瓣略宽但旁瓣衰减快是工程应用里的默认选择布莱克曼窗泄漏更小但主瓣更宽。实际使用我会默认汉宁窗如果追求更高的动态范围就去尝试布莱克曼窗如果频率成分本来就分隔很远则矩形窗问题不大。这些细节在专栏后续每个算法对应的文章里都会写进代码注释。4. 高阶算法与复杂场景的实现要点4.1 从STFT走向小波变换与WVDSTFT的窗长固定意味着所有频段的时频分辨率都一样。但真实世界中低频信号往往变化缓慢需要长时间窗高频信号往往突发性强需要短时间窗固定窗长无法兼顾。这是小波变换存在的根本原因。连续小波变换(CWT)通过一组可变尺度的小波基函数对信号做内积在高频处用窄时窗、低频处用宽时窗自动实现“自适应分辨率”。这个特性让CWT特别适合分析瞬态脉冲成分和时变频谱结构。离散小波变换(DWT)则更像是多分辨率分解把信号逐级拆成逼近分量和细节分量常用于去噪、压缩和特征分层提取。代码实现上Python里直接用PyWavelets库代码行数很少但难点在于小波基函数的选择和分解层数的确定。不同基小波对抗冲击型故障和光滑瞬态的响应差异很大我自己的经验是做冲击检测优先选db族小波做生物电信号时sym族(morlet)往往更稳定但最低层数建议从4开始试。Wigner-Ville分布(WVD)的理论时频聚集性非常好但它有个著名的痛点——交叉项干扰。当信号里同时存在两个频率成分时WVD的时频图上会在两个成分的中点位置产生一个虚假能量峰非常容易误导人。实际工程中我一般建议优先使用伪WVD、平滑伪WVD或SPWVD用核函数抑制交叉项。抑制得越狠聚集性损失越大这个折中也需要根据场景反复调。还有一类时频系数算法也值得单独说就是匹配追踪。这里不会是最大的主角但对复杂信号来说它的意义很大——它把信号表示为一组字典原子的线性组合每次迭代选出与信号残余最相关的原子最终得到稀疏的时频表示。这种做法对多分量、强噪声信号有明显的优势代价是计算开销明显偏高。4.2 现代信号处理中的谱估计与参数化模型经典的FFT谱估计对数据长度很敏感数据太短频率分辨率就会很差。这个场景下参数化模型方法能发挥优势。AR模型自回归模型把当前采样值建模为过去若干采样值的线性组合通过贝格(Yule-Walker)方程或Burg算法估计模型系数再由模型系数计算高分辨率的功率谱。Burg算法的计算稳定性和频率估计效果在实际环境中普遍优于简单的自相关法所以我在代码实现里通常优先选择Burg。AR模型谱估计适合分析短数据段信号的频率结构比如瞬态振动、短时话音、类型水文波。需要特别注意的是AR模型阶数的选择阶数过低谱过于平滑甚至漏掉真实峰值阶数过高会产生大量虚假峰值。实践中我常用AIC准则赤池信息准则或者经验试凑法确定阶数通常在10到30这个区间搜索。MUSIC算法和ESPRIT算法则属于子空间类方法通过信号自相关矩阵的特征分解把信号子空间与噪声子空间分离适用于极短数据下的高分辨率正弦频率估计。这类算法的计算代价和参数敏感性都比较高但在雷达和声呐方向价值非常大。Hilbert变换和包络解调在机械故障诊断里的作用同样举足轻重。核心思路是对带通滤波后的信号做Hilbert变换构造解析信号提取瞬时幅值即包络再对包络做FFT得到包络谱。齿轮断齿、轴承外圈故障产生的周期性冲击在包络谱里会呈现出清晰的故障特征频率及其谐波这是诊断振动与声学信号最实用的一种方式。4.3 特征自动化从时频图到分类模型算法学到一定阶段还需要把它接入自动识别流程。很多人把“信号处理”和“机器学习”当成两个割裂的东西其实它们在实战中密不可分。通常的做法是先把采集到的信号分段处理对每段提取时域特征均方根、峭度、峰值因子、频域特征重心频率、频率方差、子带能量比、时频特征小波能量熵、STFT子带能量拼成一个特征矩阵。矩阵每一行是一个样本每一列是一个特征。然后你可以用PCA或LDA降维再用SVM、随机森林、XGBoost等传统机器学习分类器做识别。更进一步的方案是直接把STFT或CWT生成的时频图当作二维图像输入到CNN里做端到端的特征学习这类方法在语音识别、声纹识别和故障诊断里都已经有非常成熟的应用了。我在专栏里安排了不少关于特征工程与模型选型的实战内容。原因很简单单纯把时频图画得漂亮并不算完成能把图变成判断依据变成可量化的指标才算真正实现一个可用的信号处理流程。5. 专栏内容学习路线与个性化选课建议5.1 按基础水平选择你的切入点面对100多个算法最忌讳的就是从第一个看到最后一个看到后面前面全部忘光。根据不同的基础和能力目标我整理了几条路径读者身份推荐路径核心目标零基础/本科低年级先学时域指标 → FFT → STFT → 功率谱 → 包络谱建立从波形到特征的分析主线能独立完成一段传感器信号的完整分析信号处理已入门、想进阶小波变换 → HHT → AR谱估计 → 子空间算法 → 稀疏表示深入理解各类时频算法的优缺点能在非平稳复杂信号中选择合适方法工程师/项目落地需求数据预处理 → 特征工程 → 故障特征频率计算 → 分类器建模 → 实时监测把算法应用到真实设备或产品中解决具体项目的识别和监测问题算法研究人员整理时频基函数 → 时间-带宽积理论 → 交叉项抑制 → 自适应原子分解吃透算法原理读懂论文为学术研究储备核心能力每条路径我都在专栏里标注了必须完成的实践项目理论部分不要求死记硬背但代码输出一定要能落地。跑完一个实践项目比听十节理论课都重要。5.2 按行业需求选择重点板块不同行业的读者需要重点关注的算法板块可以差异很大。语音方向建议重点掌握STFT、语谱图、MFCC和CWT后续还可以接触语音增强里常用的谱减法、维纳滤波。机械方向和设备健康管理方向建议重点掌握包络谱、谱峭度、阶比分析、小波包分解和HHT这些在轴承齿轮故障诊断里是绝对主力。雷达和通信方向脉冲压缩、FFT、多普勒处理、MUSIC/ESPRIT以及WVD是必修课。生物电信号处理方向小波去噪、自适应滤波、Hilbert变换、AR模型都很常用重心在节律提取和事件定位上。掌握板块划分之后你再回去看标题里的“100算法”就不会有压力感了。你只需要先把自己方向的算法吃得滚瓜烂熟再横向扩展到其他领域即可。6. 实践中的高频问题与避坑经验6.1 频率分辨率、混叠与边缘效应的坑这三个坑几乎每个人都踩过我先把最核心的定义写在这里真正的频率分辨率取决于有效信号长度FFT点数只是把你已经采集到的信号映射到离散频率刻度上。如果一个信号本身只有0.5秒采样率2000Hz那么它的有效数据长度是1000点有效频率分辨率就只有2Hz。很多人以为在FFT里补零到8192点就能提高分辨率这是完全错误的——补零只是让频谱曲线更平滑或者叫更美观它不会把两个本来看不清的频率成分分别拆开。对抗混叠的关键是采样率必须高于信号最高频率的两倍工程上通常留出1.5到2倍的余量并在采样前加抗混叠滤波器。STFT的边缘效应则是由于短时窗的截断导致图谱两边数据不完整表现就是图像两端出现明显的暗带或畸变处理办法一般是舍弃边缘区域或者用重叠率更高的帧来缓解。这些都是我在实际项目中反复出现的真实问题不是书本上背来的。6.2 窗函数与参数选择的坑窗函数主瓣宽度旁瓣衰减适用场景典型风险矩形窗窄差瞬态校准、频谱峰值间隔较大的场合频率泄漏明显小成分容易被掩盖汉宁窗中等好通用默认振动声学与语音常用主瓣加宽两个接近频率可能粘连布莱克曼窗宽很好需要高动态范围的检测频率分辨率下降较明显凯塞窗可调可调兼顾旁瓣与主瓣的定制需求参数β需要经验调试很多工程问题最后的症结不在算法本身而在窗函数没选对。比如矩形窗用在FFT谱分析上明明旁边有个较大的转频峰低频端的小故障特征频率就会被泄漏的旁瓣完全淹没往往你做出来的频谱“看起来很好”但真正想看的微弱信号被掩盖了。换用汉宁窗后问题立竿见影。6.3 代码实现与工程化的注意点从我处理过的多个项目来看代码实现阶段最容易翻车的往往不是算法本身而是数据处理链路的完整性。举几个具体的细节在读取原始信号之后必须先剔除直流分量和趋势项。否则频谱上会出现一个巨大的直流峰和低频隆起把其他细节全压下去。数据分段时要确认两个相邻窗口是否有重叠、重叠率是多少并在结果里写清楚。同一个信号重叠率0%和75%画出来的时频图差异巨大不写清楚后面复现会出大问题。对长时间连续采集的数据建议先按固定长度分段再做FFT或STFT不要一次性把整段塞进去计算否则内存和耗时都会被顶到很高。每次实验存储中间数据时把原始信号、加窗后的信号、频谱复数结果、时频矩阵分别保存不要只存最终图片。后面如果发现参数需要调整你就可以直接复用中间结果不用重新从头跑一遍。这几点看似简单但能帮你在项目后期节省大量debug时间。6.4 可视化与交互信号处理输出如何表达更直观处理结果最终都要可视化呈现而可视化本身也有不少讲究。时域波形一般用普通折线图频域用对数幅值谱时频域用热力图或瀑布图。热力图适合观察全局时频结构瀑布图则适合观察频率随时间上升或下降的变化趋势比如转速爬升过程。如果要做Web端的实时展示目前比较靠谱的方案是用Python/Matlab先把时频矩阵算好再接Plotly、ECharts或者用Canvas/WebGL做交互式时频图渲染。网上大家聊得比较多的“时频域波形图js”也是指这条路本质是在浏览器端画光谱热力图核心还是后端的STFT参数要选对。打个比方后端算出可靠的时频矩阵是“食材到位”前端可视化是“装盘上桌”两者缺一不可。一些实操后的体会做信号处理项目这几年我的一个体会是算法本身并不是越花哨越好。很多实时监测场景里一段经过抗混叠滤波的原始波形加上一组精心选择的时域指标和一个靠谱的包络谱就已经能解决90%的问题STFT和小波变换更多是用在非平稳信号和复杂工况的诊断上。真正的功力体现在你清楚每一个参数从哪里来、如何影响结果、在何种情况下会失效。专栏里所有算法的更新都会沿着这个逻辑展开先讲清楚它为什么存在、适合什么数据再给你可跑的代码和可复现的结果。后续更新我会针对雷达信号处理、声音信号处理、机械故障诊断等细分方向逐步增加专题每个算法目录下也都配有可下载的测试数据和代码源文件方便你边看边跑。如果哪个方向是你目前正在做的项目里卡得最久的不妨先从对应算法那一篇开始读再根据自己的问题反推补基础这种方式往往最省时间。